【报告题目】
报告一：AI for Science：AI加速科学研究
报告二：大模型驱动的公路监测与自主管控智能体
——Foundation Model-Driven Agents for Highway Monitoring and Autonomous Traffic Management
报告三：基于Agentic AI的交通流协同预测
——Collaborative Traffic Flow Prediction Based on Agentic AI
报告时间： 2026. 10.25（周日）上午9:30
报告地点： 肉漫屋
岳麓山校区 民主楼210
报 告 人：
吕宜生，中国科肉漫屋自动化研究所，研究员
戴星原，中国科肉漫屋自动化研究所，副研究员
王竟成，中国科肉漫屋自动化研究所，助理研究员
【专家简介】
吕宜生，中国科肉漫屋自动化研究所研究员，博导，主要研究人工智能与智能交通、无人驾驶、AI for Science，先后主持/参与国家重点研发计划课题、中科院先导项目（科学基础大模型）、国家自然科学基金项目等。现为IEEE智能交通系统学会副主席、中国自动化学会副秘书长；担任IEEE智能交通系统杂志主编，IEEE智能交通系统汇刊、自动化学报、智能科学与技术学报编委。获得IEEE智能交通系统杰出研究奖，中国自动化学会青年科技奖等；获IEEE智能交通系统汇刊George N. Saridis最佳论文奖、以及IEEE ITSC、自动化学报等最佳论文奖多次。
戴星原，中国科肉漫屋自动化研究所副研究员，主要从事交通大模型与智能体相关研究，主持国家自然科学基金青年基金项目、科技创新2030—“新一代人工智能”重大项目课题，在TR-Part C、T-ITS、CVPR、ICML等高水平期刊会议发表论文30余篇，获IEEE International Conference on Intelligent Transportation Systems (ITSC 2022)最佳学生论文奖、 IEEE International Conference on Digital Twins and Parallel Intelligence (DTPI 2023)最佳论文奖、2023中国自动化学会科技进步奖一等奖。
王竟成，现任中国科肉漫屋自动化研究所助理研究员。主要从事时空大模型、图深度学习与智能体技术研究，面向智能交通系统和人工智能驱动的AI4S开展方法创新与应用探索，具体研究内容涵盖交通时空预测与异常检测、多智能体自主协同与能力进化、世界模型驱动的预测推演与智能决策，以及科学多模态数据表征与可信科学发现等。主持国家自然科学基金青年基金项目、多模态人工智能系统全国重点实验室青年基金项目等，并参与多项纵向科研课题。以第一作者或通讯作者身份在 IEEE TITS、IEEE TAI、IEEE TGRS、IEEE TCSS、NeurIPS、ITSC等国际期刊及学术会议发表论文20余篇。
【报告摘要】：
报告一：本报告围绕 AI for Science（AI 赋能科学研究）展开，阐述科研范式演进：继实验、理论、计算、数据驱动范式后，进入人机协同的第五代 AI 驱动科研范式，AI4Science 成为国家核心竞争力指标，梳理国内外 AI4S 战略布局，剖析 AI 科学家从人类完全主导到 AI 自主执行的五级发展阶段，介绍 Robin、Co‑Scientist 等典型多智能体系统。同时介绍AI时代如何进行科学研究，明确AI 在科研中的定位：作为科研副驾驶而非证据来源，给出全流程实操规范，强调核验、留痕、可复现，科研最终责任归研究者，AI 提升科研效率但不替代人的科学判断。
报告二：针对公路运行管理中多源信息分散、模型与工具协同不足、管控处置依赖人工经验等问题，本报告介绍大模型驱动的公路监测与自主管控智能体技术。从基础模型、专业模型、行业知识库与工具接口协同的智能体架构出发，阐述多模态感知与专业预测模型如何融合交通流、道路事件和气象信息，支撑运行状态识别与风险研判；结合行业知识检索与大模型推理，为处置方案生成提供法规、预案及案例依据；进一步介绍大模型自主调用仿真工具，构建路网与交通场景，开展多方案仿真评估，并生成管控建议与评估报告。结合交通事件应急处置典型场景，探讨上述技术在人工审核与业务授权下支撑公路日常管理与应急处置的应用路径。
报告三：交通流预测是交通运行监测与主动管控的重要基础。近年来，相关方法由传统时间序列模型、时空图神经网络逐步发展至时空基础大模型，在复杂时空关系建模与跨场景预测方面取得了持续进展。然而，不同模型在预测精度、计算效率和场景适应性等方面各有所长，单一模型难以覆盖多样化的交通预测需求。针对上述问题，本报告围绕基于Agentic AI的交通流协同预测，梳理交通预测模型的演进脉络，介绍交通流协同预测框架Agentic Traffic Predictor。以通用大模型为任务理解与协同决策核心，将时空基础模型、图神经网络及经典预测模型组织为可调用的异构模型资源，贯通需求解析、数据画像、模型规划、预测执行与评估反馈，形成面向多样化任务的预测架构。
